作者介绍：10年大厂数据\经营分析经验，现任大厂数据部门负责人。
会一些的技术：数据分析、算法、SQL、大数据相关、python
欢迎加入社区：码上找工作
作者专栏每日更新：
备注说明：方便大家阅读，统一使用python，带必要注释，公众号 数据分析螺丝钉 一起打怪升级
一直说的指标体系到底有什么用？
搭建指标体系最重要的是哪一步？
指标越多越好吗，怎么定义关键指标？
1. 明确用途
所有的概念的出现都是为了解决企业中实际存在的问题
企业的产品有4个生命周期，导入-成长-成熟-衰退，每个周期都会遇到对应的问题，导入期需要获客，成长期需要性价比，成熟期需要降本增效，衰退期需要提高创新，那要如何做？
一万个人有一万个哈姆雷特，但企业决策的方法都可以概括为，基于数据科学决策。这时候就需要对不同类型的产品所处的周期和面临的问题制定指标，解决一类问题的指标集合和标准化的建设流程叫做指标体系。
指标作用：
- 看清楚（当前业务状态）
- 找问题（定位业务问题）
- 定预测（业务发展趋势）
- 做决策（业务调整方向）
其中看清楚当前的业务状态是最重要的，通常会遇到以下三类问题，如果也做过指标体系的话应该能有感受。
- 数据不准确（做了很久的指标出来之后被疯狂diss不准确）
- 指标不明白（定的指标不同的人理解不一样，每次都要解释一次）
- 展示不清晰（不同角色展示的数据没有逻辑性和针对性）
如果没遇到过以上三个问题的可以认为他是个假的数据相关的工作人员，在大厂面试中必问，欢迎记在小本本上。
2、设计指标体系
我们从流程上看指标体系应该怎么搭建，虽然不同产品的业务和所处的阶段不同，但流程是通用的
业务调研最重要的是沟通拉齐目标，数据指标为了定义拆解目标，数据采集提供数据，业务应用为了解决问题。
大部分情况由不同的角色负责来负责不同的步骤，但还是需要大概了解每个步骤的内容。
我们把企业的目标概括为三类
- （买）优化成本（降低成本永远是企业需要不断思考的，最近比较多的裁员也是基于ROI计算出来的人效比）
- （用）提高效率（提高效率，一定程度也算优化成本，也能降低事故风险）
- （卖）用户增长（TOB的企业主要是获客，TOC的企业主要提高用户留存时长等）
数据指标
数据指标从设计到落地，不同阶段的需求和战略会随着业务的变化而变化
- 结果指标：业务负责人关注的指标
- 过程指标：子部门负责人和产品经理关注的指标
- 优化指标：执行人关注的指标
以用户增长的目标来看不同业务模式的核心指标，不同的盈利方式不同，所以促进增长的核心指标不同
业务模式 |
核心指标 |
示例产品 |
社交类 |
用户活跃度 |
微信 |
理财类 |
交易量 |
雪球，支付宝 |
内容类 |
在线时长、DAU、MAU |
抖音 |
交易类 |
转化率，成交量 |
淘宝、电商 |
工具类 |
使用率，在线时长 |
剪映 |
用户增长 不同发展阶段的核心指标不同，这里以滴滴为例，产品初期需要通过增加用户功能来获客，这时候最重要的是满足用户需求
再从降低成本的目标来看产品的核心指标，不同产品可用相同的指标
- 降低采购成本（相同性能采购成本越低降低的成本越多）
- 降低使用成本（相同采购成本使用率越高产品的成本越低）
这里可以带入大家学习的数据结构和算法，一个好的程序需要用用4核CPU，假设一个月40，差的程序需要100核CPU 一个月就是100，成本消耗差距2.5倍，这里程序的好和差就有一个比较清晰的衡量指标。
可以计算一下你一天一个小时值多少钱，如何能更值钱？
3、如何设置指标
通过不同的维度看相同的指标，会得到不同的答案，比如DAU有总的APP DAU，有不同地区的DAU，不同设备等等维度
那么问题来了，不同产品阶段有不同的目标，不同的目标有不同类型的指标，每个指标有不同维度，那么要怎么设置指标？
数据指标：北极星指标
•北极星指标(NorthStarMetric)：唯一关键指标，产品现阶段最关键的指标，
•北极星指标特点：
- 方向：公司制定的发展目标
- 优先级：明确核心工作
- 变化：不同阶段不同的北极星指标
- 指标：量化，拆解分配到不同部门
我们以电商为例应该如何设置北极星指标？
与公司目标关联，短期长期目标关联，用户，收入，交易额？
不同的方向都能明确出优先级，重要不重要通过指标能看出来。
一个结果指标能拆解为多个过程指标分配到不同的部门
所以我们用 GMV（Gross Merchandise Volume，主要是指网站的成交金额）为例。同时满足以上四个要求
用户订单量还能拆解到不同阶段的转化率，下载、注册、登入、下单
4、常见指标体系模型
AARRR核心是通过每个阶段的转化率定义指标，这个主要用于用户增长，不适用于降低成本有兴趣的可以去详细查一下，这里不做过多的介绍
总结一下：本文更多是介绍指标体系的作用，为什么要有，解决什么问题，如何设计和定义，也算是抛砖引玉。
- 如何通过工程问题解决数据准确性？
- 如何通过指标定义解决理解问题？
- 如何跟上下游沟通指标以及策略？
问题有很多，可以一起思考一下，欢迎关注公众号：数据分析螺丝钉
2022-6月开始每周一篇详文与大家一起拆解学习数据分析师的晋升打怪之路，与君共勉。
